研究人员发布了 DialogPII，这是一个合成对话转录的多语言数据集，旨在支持检测和评估自动识别个人身份信息系统的开发。该资源通过提供涵盖11种语言和八种交互场景的标注数据，解决了敏感领域中的隐私问题。

  • 涵盖英语、阿拉伯语、芬兰语、法语、德语、印地语、意大利语、波兰语、葡萄牙语、西班牙语和土耳其语中的19种实体类型。
  • 包含八个场景：紧急呼叫、医疗病史采集、治疗会话、保险沟通、客户支持、临床访谈、警方报告和团体治疗。
  • 数据使用大型语言模型半自动生成，针对特定语境进行本地化，并通过文本到语音合成转换为语音。
  • 转录内容使用 Whisper 生成，并通过自动投影结合人工校正进行标注。
  • 发布内容包括基线多语言命名实体识别模型和技术验证指标。

该数据集提供了对齐的书面和语音衍生资源，以促进创建强大的去标识化系统，从而保护对话数据中的个人隐私。